Das Lernen von Vektordarstellungen (auch bekannt als Einbettungen) von Benutzern und Artikeln bildet den Kern moderner Empfehlungssysteme. Von frühen Matrixfaktorisierungsverfahren bis hin zu neueren, auf tiefem Lernen basierenden Methoden erhalten bestehende Ansätze in der Regel die Einbettung eines Benutzers (oder eines Artikels) durch eine Abbildung von vorbestehenden Merkmalen, die den Benutzer (oder den Artikel) beschreiben, wie z.B. ID und Attribute. Wir argumentieren, dass ein inhärenter Nachteil solcher Methoden darin besteht, dass das kollaborative Signal, das in den Interaktionen zwischen Benutzer und Artikel latente ist, nicht im Einbettungsprozess kodiert wird. Daher können die resultierenden Einbettungen möglicherweise nicht ausreichend den Effekt des kollaborativen Filterns erfassen.In dieser Arbeit schlagen wir vor, die Interaktionen zwischen Benutzer und Artikel – genauer gesagt die bipartite Graphstruktur – in den Einbettungsprozess zu integrieren. Wir entwickeln einen neuen Empfehlungsrahmen, Neural Graph Collaborative Filtering (NGCF), der die Struktur des Benutzer-Artikel-Graphen durch die Propagation von Einbettungen darauf nutzt. Dies ermöglicht es, die hochwertige Modellierung höherstufiger Verbindungen im Benutzer-Artikel-Graph effektiv zu erreichen und das kollaborative Signal auf explizite Weise in den Einbettungsprozess einzubringen. Wir führen umfangreiche Experimente auf drei öffentlichen Benchmarks durch und zeigen erhebliche Verbesserungen gegenüber mehreren state-of-the-art-Modellen wie HOP-Rec und Collaborative Memory Network. Eine weitere Analyse bestätigt die Bedeutung der Einbettungspropagation für das Erlernen besserer Darstellungen von Benutzern und Artikeln, was die Rationalität und Effektivität von NGCF rechtfertigt. Der Quellcode ist unter https://github.com/xiangwang1223/neural_graph_collaborative_filtering verfügbar.